基于机器学习和大数据技术的高校学生在线学习行为探讨

2022-04-02韩树河陈镇江牛旭航

无线互联科技 2022年1期

韩树河,陈镇江,牛旭航

(江苏航运职业技术学院,江苏南通 226010)

0 引言

高校在线学习和在线教学是当前重要的教学途径,对教学活动的展开有非常重要的作用。尤其是在新冠肺炎期间,学生无法到校学习,国家提出相应政策,要求高校利用图书馆进行网上教学。各个学校的图书馆纷纷响应,完成对网上教学的课程设计,学生也参与在线学习。从技术应用背景、社会发展背景来看,我国高校在线学习的展开都有非常重要的意义,在实际的教学过程中,要做好对高校在线学习的建设,并对高校学生的在线学习行为进行分析,提升其学习效果。

1 机器学习和大数据技术

1.1 机器学习

机器学习方法是计算机利用已有的数据(经验),得出了某种模型(迟到的规律),并利用此模型预测未来(是否迟到)的一种方法。机器学习也是数据分析、智能化技术的应用原理,对现代化社会的发展有非常重要的作用。在机器学习应用过程中,主要是赋予机器“人脑”的知识学习过程,让其自主完成规律总结,实现对机器的综合处理,确保技术应用得更加合理,也能提升机器学习效果。

1.2 大数据技术

大数据技术是当前社会应用比较广泛的重要技术。在数字化技术、互联网将技术的应用背景下,利用互联网络资源、计算机数据计算功能,能够完成对事物、事件的全部相关数据采集、数据系统归纳、数据分析应用以及数据处理等,从而完成对事物和实际的数据化规律分析,最终完成对事物和事件的决策控制,确保其事务发展更加合理。

大数据技术以计算机技术为基础技术应用载体,并以数据计算、数据统计方法为具体的技术处理方法,能够实现对复杂数据的逻辑分析、对复杂数据进行综合计算。在大数据技术的实际应用过程中,包含数据统计效率性、数据分析相关性、数据预测分析等多方面的技术应用原理,能在最大程度上提升数据分析效果。

2 高校学生在线教学现状分析

高校学生在线教学以及在线学习是当前高校教学展开的新模式,对教育教学效果提升有非常重要的作用,也在最大程度上提升教育教学的质量。我国高校的在线教学形成与高校互联网普及有重要联系,并且借助新冠肺炎疫情完成了高校在线教学效果的提升,确保高校教育教学展开更加合理,提升教育教学质量。

当前,在线教学展开得如火如荼,已有很多高校利用图书馆以及其他教育平台完成了自主在线教育平台的构建,实现了在线教育教学质量的提升。如:北京大学图书馆,为了尽快完成图书馆的在线教学服务,专门成立了图书馆线上教学工作小组,负责完成平台构建、远程教学服务搭建、电子教材录入等工作。上海交通大学图书馆,在响应国家政策号召过程中完成了图书馆线上教学服务团队的建设,在工作优化中对技术应用进行合理的管控,完成了图书馆线上教学各方面的保障工作。东北师范大学,在响应政策的同时,完成了课程平台Blackboard 的搭建,建设应用图书馆钉钉在线服务课堂,提升图书馆在线教学的应用效果。实际上,在以学生为主体的教育模式下,高校的在线教学展开还需要对学生登录学习网站、线上学习浏览等在线学习行为进行分析,确保提升学习效果。

3 机器学习和大数据技术融合应用下的学生学习行为数据分析系统设计

学生学习行为数据分析系统是利用机器学习和大数据技术完成的数据挖掘系统设计,提升了数据的应用效果。在实际的数据设计时,应对大数据技术的应用进行分析,并在控制技术应用中完成对数据分析模型的设计。在数据分析挖掘模式应用过程中,主要完成对数据挖掘工作的分析、对数据知识进行处理、对工具与算法进行合理设计,以实现对学生学习行为数据分析系统的有效应用。

3.1 完成基本构架设计

在本次数据分析系统构架设计过程中,基本架构主要包括:(1)数据采集模块,主要应用一卡通卡机、无线访问点设计、高校在线学习网自带数据记录系统、学生信息系统,进行多方面的数据采集,确保实际的数据采集应用更加有效,提升数据的核心应用效果。(2)数据分析技术架构设计模块,主要是对K-means 算法、SVM 算法、nmf 数据分析技术的应用。(3)架构设计模块,完成对其结构呈现功能的分析,主要是挖掘模型的功能,包括行为模式分析、学生的在线学习浏览行为分析、在线学习的登录行为分析等。

3.2 设计数据流模块

在数据挖掘模型中对数据流模块进行设计,包括原始数据日志数据库分析、预处理平台日志数据库分析、学生登录行为记录分析、学生登录时间分布图分析、在线学习现状分析、不同特征学生学习行为差异分析等。

3.3 设计工具与计算

在数据挖掘模型中对数据工具与算流进行技术应用分析,对网络教学平台进行日志采集,并对平台日志进行处理,主要包括SQL Server 数据查询分析、完成对序列分析、关联性原则分析等,确保技术应用分析更加合理、有效,也能提升学生在线学习行为的实际应用分析,确保其应用分析更有效果,也能在最大程度上提升学习行为的分析效果[1]。

4 机器学习和大数据技术融合应用下学生在线学习影响分析

机器学习和大数据技术融合应用,能够完成良好的数据分析,实现对数据的综合应用,最大程度上提升数据分析效果。在线学习分析主要完成数据采集、数据处理、数据分析等多项技术内容,具体分析如下。

4.1 数据采集与预处理技术

在学生在线学习分析的实际应用过程中,完成对数据的核心应用分析非常关键,能最大限度地提升分析系统的应用效果,并对其分析进行综合性完善,确保各项技术应用的分析更有效。在实际技术应用中,数据采集和数据预处理主要针对平台的多模块进行数据挖掘分析。

(1) 完成资源浏览记录表分析,主要采集AccessStratTime,AccessENdTime,PageUrl,StuNo,StuName等数据[2]。(2)完成对学生的基本信息表统计分析,包括StuNo,StuNeme,CengCi,ZhuanYe,DuiBie 等数据资料。(3)完成许愿登录记录统计分析,包括RecordID,LoginTime,LoginDate,SemesterCode 以及StuNo 等数据,确保分析更加合理[3]。(4)对形成性测验进行数据采集分析,对数据进行综合应用控制,确保其技术应用更加合理,能在最大程度上提升数据应用效果。在数据应用中,其形成性测验分析主要完成ZuoYE1,ZuoYE2,ZuoYE3 等试验分析,实现对其数据的分析与处理,确保后续对学生在线学习行为分析更加合理、有效[4]。

4.2 学生学习登录行为分析

在数据挖掘模型应用过程中,完成对学生在线学习登录行为的实际应用分析。对某高校专业在线学习系统的学生登录行为进行分析。在实际数据分析统计过程中,对学生10 周的在线学习模块登录率进行统计,分析其学习登录行为[5],具体如表1 所示。

表1 学生10 周的在线登录行为登录率

统计发现,自该校设置在线学习系统以来,学生在进10 周内进入系统进行学习的行为率(登录率)越来越高,证明高校开展的在线学习被重视并得到推广,有效促进现代化高校教学效果的提升。在对学生学习登录行为进行分析的过程中,需要对其在线学习模块进行优化,丰富在线学习模块的教学资源,最大限度地提升在线教学效果[6]。

4.3 学生浏览行为的分析

本文设计的数据挖掘模型对学生进入在线学习系统的浏览行为进行数据分析。在学生实际的在线学习过程中,学生的浏览行为代表其利用在线学习模块完成了学习任务,也可以据此掌握对学生对学习内容的感兴趣程度,最终实现对学生学习行为的针对性分析,提升学习效果。

在数据挖掘模型中,学生的浏览模块主要包括课程各章节案例库、视频资源区、Flash 动画交互区、问题库、辅助资料库、常用软件工具等。10 周内某专业课程学生资源浏览量的数据统计分析如表2 所示。

表2 10 周内计算机专业课程学生资源浏览量

通过表2 的统计数据,生成如图1 所示的被浏览资源页面数量与人均浏览频次和如图2 所示的学院参与率与单个资源人均浏览频次。

图1 被浏览的资源页面数量与人均浏览频次

图2 学院参与率与单个资源人均浏览频次

数据发现,课程各章节案例库、Flash 动画交互区以及问题库是学生浏览较多的在线学习模块,其课程各章节案例库也是学生喜欢浏览的重要部分。虽然问题库的网页数量仅12 个,但从图1—2 可以看出,其单个资源人均浏览次数非常高,人均浏览频率也比较高。Flash 动画交互区的浏览量也比较大,被浏览的资源页面数量为57,虽然在所有浏览中的页面并不高,从图1 可以看出人均浏览频次85.63、从图2 可以看出单个资源人均浏览频次3.64、学院参与率0.97,都是最高值,证明学生对该在线教学模块非常感兴趣。在实际的在线教学优化过程中,教师应该注重对实际教学模块进行优化,增加更多的知识教育内容,丰富该模块的主要教学功能,确保现代化教学的展开更加合理[7]。

在大数据技术以及机器学习技术的实际应用过程中,可以利用其技术优势,完成对技术的综合管控,并对互联网技术的应用进行优化,提升数据技术的挖掘效果[8]。